基于深度學習的乳腺X線攝影病灶檢出系統的臨床價值

摘要：目的評估基于深度學習(DL)的人工智能(AI)乳腺X線影像病灶檢出系統的臨床價值。方法回顧性分析484例乳腺X線影像及診斷報告,對其中存在BI-RADS 3類及以上病灶者評估AI檢出敏感度,并結合雙向表χ^2檢驗,驗證AI對不同類型和BI-RADS分類病灶的敏感度差異。由3名高年資醫師對診斷報告顯示BI-RADS 1類和2類、但AI提示陽性病例進行審核,并按照不同類型和BI-RADS分類進行統計。結果BI-RADS 3、4a、4b、4c、5類病灶分別為103、79、23、40和11個,AI檢出敏感度分別為82.52%(85/103)、97.47%(77/79)、100%(23/23)、100%(40/40)和100%(11/11),總敏感度為92.19%(236/256)。AI系統對不同類型(鈣化、腫塊、非對稱、結構扭曲)和BI-RADS分類病灶的敏感度差異均無統計學意義(P均>0.05)。254例BI-RADS 1類和2類病例中,203例AI提示陽性發現,其中75例(80個病灶)為BI-RADS 0類,需結合其他檢查確認,21例(23個病灶)為BI-RADS 3類及以上,多檢出BI-RADS 3類及以上病灶類型差異無統計學意義(P均>0.05)。結論AI系統對BI-RADS 3類及其以上病灶有較高敏感度,可有效輔助影像醫師減少漏診。